QIME：基于医学本体问题构建可解释医学文本嵌入
计算与语言
2026-03-04 v2 人工智能
摘要
虽然密集 biomedical 嵌入实现了卓越的性能，但其黑箱本质限制了在临床决策中的实用性。最近的基于问题的可解释嵌入方法将文本表示为自然语言问题的二进制答案，但这些方法往往依赖于启发式或表层级的对比信号，忽略了专业的领域知识。我们提出 QIME，一个基于医学本体的框架，用于构建可解释的医学文本嵌入，其中每个维度对应于一个临床上有意义的 yes/no 题目。通过条件化于聚类特定的医学概念签名，QIME 生成捕捉生物医学文本中细粒度区别的语义原子问题。此外，QIME 支持一种无需训练的嵌入构建策略，进一步提高了性能。跨生物医学语义相似性、聚类和检索基准的实验表明，QIME 在所有可解释嵌入方法上均表现出色，显著缩小了与强大黑箱生物医学编码器之间的差距，同时提供简洁且临床信息丰富的解释。
引用
@article{arxiv.2603.01690,
title = {QIME: Constructing Interpretable Medical Text Embeddings via Ontology-Grounded Questions},
author = {Yixuan Tang and Zhenghong Lin and Yandong Sun and Wynne Hsu and Mong Li Lee and Anthony K. H. Tung},
journal= {arXiv preprint arXiv:2603.01690},
year = {2026}
}